新系统旨在解决人工智能能耗问题

依赖人工智能（AI）的计算机需要大量能量，其计算能力需求大约每三个月就会翻倍。当谈到云计算数据中心时，它们每年的电力消耗比一些小国还多。许多研究人员警告，这种系统是不可持续的。

由华盛顿大学领导的研究人员团队提出了一个解决方案，以帮助解决这个问题——新的光学计算硬件用于人工智能和机器学习。这种硬件比传统的电子设备更快、更节能。它还可以解决光学计算中产生的“噪音”问题，这种噪音会干扰计算精度。

该研究于1月21日发表在科学进展上。

使用噪音作为输入

在研究论文中，团队展示了如何使用光学计算系统中的部分噪音来增强人工神经网络（ANN）中的创造性输出。

Changming Wu是华盛顿大学电气工程和计算机科学博士生，也是论文的第一作者。

“我们已经建造了一个比传统数字计算机更快的光学计算机，”Wu说。“而且，这个光学计算机可以根据光学噪音产生的随机输入创建新的事物，这些噪音通常被大多数研究人员所避免。”

光学计算噪音是由激光器产生的光子或背景热辐射引起的。为了解决噪音问题，团队将他们的光学计算核心连接到一个生成对抗网络（GAN）。然后，他们测试了不同的噪音缓解技术，例如使用一些产生的噪音作为GAN的随机输入。

团队要求GAN学习像人类一样手写数字7，这意味着它必须通过观察手写样本来学习这个任务，然后反复练习。由于光学计算机的形式，它必须生成具有类似样本风格的数字图像。

Mo Li是华盛顿大学电气工程和计算机科学教授，也是论文的通讯作者。

“我们没有训练网络来识别手写数字，而是训练它来学习手写数字，模仿它所训练的视觉样本，”Li说。“我们还与杜克大学的计算机科学合作伙伴一起展示了GAN可以通过使用一个对错误和噪音具有鲁棒性的训练算法来减轻光学计算硬件噪音的负面影响。更重要的是，网络实际上使用噪音作为生成输出实例所需的随机输入。”

当GAN继续练习写数字时，它发展出了自己的独特书写风格。最终，它能够在计算机模拟中写出从1到10的数字。

构建更大规模的设备

团队现在将通过使用当前的半导体制造技术来构建更大规模的设备，这将提高性能并使团队能够执行更复杂的任务。

“这个光学系统代表了一种计算机硬件架构，可以增强人工神经网络在人工智能和机器学习中使用的创造力，但更重要的是，它展示了这种系统在大规模上可行性，在那里噪音和错误可以被缓解甚至利用，”Li说。“人工智能应用正在迅速增长，以至于在未来，它们的能耗将不可持续。这种技术有可能帮助减少这种能耗，使人工智能和机器学习在环境上可持续——并且速度很快，整体性能更高。”